基于医学图像和机器学习的人工智能肿瘤诊断系统

发明专利有效专利

申请号：
CN202210515958.9
IPC分类号：G06T7/00;G06T7/136;G06N3/00;G06V10/40;G06V10/82;G06N3/08;G16H30/20;G16H50/20
申请日期：
2022-05-12
申请人：
广东德澳智慧医疗科技有限公司

基础信息

权利要求

说明书

PDF全文

法律信息

引证文献

著录项信息

专利名称	基于医学图像和机器学习的人工智能肿瘤诊断系统
申请号	CN202210515958.9	申请日期	2022-05-12
法律状态	公开	申报国家	中国
公开/公告日	2022-07-22	公开/公告号	CN114782397A
优先权	暂无	优先权号	暂无
主分类号	G06T7/00 ? IPC结构图谱： G 物理 G0 仪器 G06 计算；推算；计数 G06T 一般的图像数据处理或产生〔6，2006.01〕 G06T7/00 图像分析〔6，2006.01，2017.01〕	IPC分类号	G;0;6;T;7;/;0;0;;;G;0;6;T;7;/;1;3;6;;;G;0;6;N;3;/;0;0;;;G;0;6;V;1;0;/;4;0;;;G;0;6;V;1;0;/;8;2;;;G;0;6;N;3;/;0;8;;;G;1;6;H;3;0;/;2;0;;;G;1;6;H;5;0;/;2;0查看分类表>
申请人	广东德澳智慧医疗科技有限公司	申请人地址	广东省东莞市松山湖高新技术产业开发区阿里山路19号产业化中心10栋5层501室、502室、503室、504室、505室变更专利地址、主体等相关变化，请及时变更，防止失效
权利人	广东德澳智慧医疗科技有限公司	当前权利人	广东德澳智慧医疗科技有限公司
发明人	王洪平
代理机构	南昌合达信知识产权代理事务所（普通合伙）	代理人	刘学涛

摘要

基于医学图像和机器学习的人工智能肿瘤诊断系统，包括肿瘤诊断模型搭建模块、用户端和智能肿瘤诊断模块；肿瘤诊断模型搭建模块用于构建各人体部位对应的肿瘤诊断模型，用户通过用户端输入待诊断的医学图像；智能肿瘤诊断模型用于对用户端输入的待诊断的医学图像进行处理，识别待诊断的医学图像中包含的人体部位，并在肿瘤诊断模型搭建模块中选择所述人体部位对应的肿瘤诊断模型进行肿瘤诊断。从而实现了将人工智能技术应用到医学图像分析中，建立基于医学图像的肿瘤诊断模型，对医学图像自动分析以及辅助医生做出医学肿瘤诊断的作用。

1.基于医学图像和机器学习的人工智能肿瘤诊断系统，其特征在于，包括肿瘤诊断模型搭建模块、用户端和智能肿瘤诊断模块；
肿瘤诊断模型搭建模块：包括样本图像收集单元、样本图像信息提取单元和肿瘤诊断模型训练单元，样本图像收集单元用于收集带有肿瘤诊断结果的各人体部位的医学图像，样本图像信息提取单元用于提取收集到的各人体部位的医学图像的图像特征，肿瘤诊断模型训练单元根据收集的各人体部位的医学图像的图像特征分别训练BP神经网络，从而建立各人体部位对应的肿瘤诊断模型；
用户端：用户通过用户端输入待诊断的医学图像；
智能肿瘤诊断模块：包括医学图像处理单元、肿瘤诊断模型选择单元和医学图像信息提取单元，医学图像处理单元用于对用户端输入的待诊断的医学图像进行图像分割，获取所述医学图像中包含的人体部位图像，肿瘤诊断模型选择单元用于识别分割所得的人体部位图像中的人体部位，并根据识别所得的人体部位在肿瘤诊断模型搭建模块中选择所述人体部位对应的肿瘤诊断模型，医学图像信息提取单元提取分割所得的人体部位图像中的图像特征，并将提取的图像特征输入所述人体部位对应的肿瘤诊断模型中，将肿瘤诊断模型的输出结果在用户端进行显示。
2.根据权利要求1所述的基于医学图像和机器学习的人工智能肿瘤诊断系统，其特征在于，用户端包括信息输入单元和信息显示单元，用户通过信息输入单元输入待诊断的医学图像，信息显示单元用于显示智能肿瘤诊断模块的肿瘤诊断结果。
3.根据权利要求1所述的基于医学图像和机器学习的人工智能肿瘤诊断系统，其特征在于，医学图像处理单元采用最大熵多阈值分割法对所述待诊断的医学图像进行图像分割，并采用粒子群算法确定所述医学图像处理单元中采用的最大熵多阈值分割法的最佳组合阈值。
4.根据权利要求3所述的基于医学图像和机器学习的人工智能肿瘤诊断系统，其特征在于，在所述粒子群算法中，粒子群采用下列方式对粒子的解进行迭代更新：
Vi(t+1)＝ωVi(t)+ci1(t)r1(Pbesti(t)‑Xi(t))+ci2(t)r2(Gbest(t)‑Xi(t))Xi(t+1)＝Xi(t)+Vi(t+1)
式中，Xi(t+1)和Vi(t+1)分别表示粒子i在第(t+1)次迭代时的解和速度，Xi(t)和Vi(t)分别表示粒子i在第t次迭代时的解和速度，ω表示惯性权重因子，Pbesti(t)表示粒子i在第t次迭代时的历史最优解，Gbest(t)表示粒子群在第t次迭代时的全局最优解，r1和r2表示随机产生的0到1之间的随机数，ci1(t)表示粒子i在第t次迭代时的认知学习因子，ci2(t)表示粒子i在第t次迭代时的社会学习因子。
5.根据权利要求4所述的基于医学图像和机器学习的人工智能肿瘤诊断系统，其特征在于，设置粒子群采用下列方式调节粒子i在第t次迭代时的认知学习因子ci1(t)和社会学习因子ci2(t)的值：
设Ωi(t)表示粒子i在第t次迭代时的局部邻域，且Ωi(t)为以解Xi(t)为中心、以R(t)为半径的圆形区域，R(t)为粒子群在第t次迭代时的局部邻域半径，设置R(t)的值为：
其中，Ri(t)表示粒子i在第t次迭代时的局部邻域半径，且
表示在第t次迭代时粒子群中距离解Xi(t)第l近的粒子的解，
c表示给定的正整数，且c＜N，N表示粒子群中的粒子数；Ωi，best(t)表示粒子i在第t次迭代时的历史最优邻域，且Ωi，best(t)为以解Pbesti(t)为中心、以r(t)为半径的圆形区域，r(t)为粒子群在第t次迭代时的历史最优邻域半径，且其中，ri(t)表示粒子i在第t次迭代时的历史最优邻域半径，且式中，表示
在第t次迭代时粒子群中距离解Pbesti(t)第a近的粒子的解；
定义函数qi(t)用于对粒子i在第t次迭代时的寻优匀称度进行检测，设置qi(t)的计算公式为：
式中，qi(t)表示粒子i在第t次迭代时的寻优匀称度，Ji(t)表示粒子i在第t次迭代时的局部寻优匀称度，Si(t)表示粒子i在第t次迭代时的历史寻优匀称度，Ji(t)和Si(t)的值分别为：
式中，Xj(t)表示粒子j在第t次迭代时的解，Xb(t)表示粒子b在第t次迭代时的解，且Xj(t)≠Xb(t)，Xk(t)表示粒子k在第t次迭代时的解，Xo(t)表示粒子o在第t次迭代时的解，且Xk(t)≠Xo(t)，λi，j(t)为在第t次迭代时用于粒子i和粒子j之间的寻优判断函数，设fi(t)和fj(t)分别表示粒子i和粒子j在第t次迭代时的适应度函数值，则
λi，b(t)为在第t次迭代时用于粒子i和粒子b之间的寻优判断函数，设fb(t)表示粒子b在第t次迭代时的适应度函数值，则 mi，best(t)表示历史最优邻域Ωi，best
(t)中的粒子数；
当qi(t)＜Hq1(t)或qi(t)＞Hq2(t)时，则ci1(t)和ci2(t)的值分别调整为：
当Hq1(t)≤qi(t)≤Hq2(t)时，则ci1(t)和ci2(t)的值分别调整为：ci1(t)＝α(1‑cosqit‑qtqtπ2+β，ci2t＝α1+cosqit‑qtqtπ2+β；
上式中，α和β为两个常数，用于控制ci1(t)和ci2(t)的范围，Hq1(t)为粒子群在第t次迭代时的全局寻优匀称度的下限值，且 Hq2(t)为粒子群在第t次迭代
时的全局寻优匀称度的上限值，且其中，表示粒子群中粒子
在第t次迭代时的寻优匀称度的均值，且 Tmax为给定的最大迭代次数。

序号	公开(公告)号	公开(公告)日	申请日	专利名称	申请人
该专利没有引用任何外部专利数据！

序号	公开(公告)号	公开(公告)日	申请日	专利名称	申请人
该专利没有被任何外部专利所引用！

我浏览过的专利

专利服务由北京酷爱智慧知识产权代理公司提供